GLM-OCR入门指南：3步完成Ubuntu系统下的模型部署与调用
GLM-OCR入门指南：3步完成Ubuntu系统下的模型部署与调用
你是不是也遇到过这种情况：手头有一堆图片，里面包含了各种文字信息，比如扫描的文档、截图的表格、或者随手拍的带文字的图片，想把里面的文字提取出来，却不想一个个手动敲键盘？或者，你正在开发一个需要自动识别图片文字的应用，但面对复杂的模型部署和配置，感觉无从下手？
如果你用的是Ubuntu系统，那今天这篇文章就是为你准备的。我将带你一步步，在Ubuntu上把GLM-OCR这个强大的图片文字识别模型跑起来。整个过程其实很简单，就三步：找个带GPU的服务器、连上去、跑个测试脚本。我会把每一步都掰开揉碎了讲，即便是刚接触Linux的新手，跟着做也能搞定。
1. 第一步：准备你的“实验场地”——启动GPU实例
想在本地电脑上直接跑AI模型，尤其是像OCR这种需要处理图片的模型，对显卡（GPU）的要求比较高。如果你的电脑没有合适的显卡，或者不想把本地环境搞得太复杂，最省心的办法就是租用一个云服务器。这里我们以星图平台为例，因为它提供了预装好环境的镜像，能省去大量配置时间。
1.1 选择并启动合适的镜像
首先，你需要登录星图平台。在镜像广场里，你可以直接搜索“GLM-OCR”。通常，官方或者社区维护的镜像会直接以模型名命名，非常容易找到。
找到之后，点击“部署”或“启动”。这时，你会进入一个配置页面，这里有几个关键选项需要注意：
- 实例规格：这是最重要的选择。OCR模型处理图片时，GPU能大大加速。因此，请务必选择一个带GPU的规格，比如“GPU 1卡”之类的选项。CPU虽然也能跑，但速度会慢很多，体验不佳。
- 系统盘：默认的容量（比如50GB）对于部署和测试GLM-OCR来说已经足够了，不需要调整。
- 网络与安全组：为了后续能用SSH连接，确保你的实例分配了公网IP。安全组规则一般会默认放行SSH端口（22），检查一下即可。
配置完成后，点击确认，平台就会开始为你创建这个虚拟服务器。这个过程通常需要一两分钟，喝杯水的功夫就好了。
1.2 获取连接信息
实例启动成功后，在控制台找到你的实例。你需要记录两个关键信息，它们是你进入服务器的“钥匙”：
- 公网IP地址：一串像
123.123.123.123的数字。这是你服务器的网络地址。 - 登录密码：通常在实例详情或创建记录里可以找到初始密码。请务必妥善保存。
好了，你的“实验场地”已经搭建完毕，接下来我们就要进去开始干活了。
2. 第二步：进入服务器并检查环境
有了IP和密码，我们通过SSH这个工具连接到远程的Ubuntu服务器。这就像是用遥控器打开了另一台电脑。
2.1 通过SSH连接服务器
打开你本地电脑的终端（如果是Windows，可以使用 PowerShell 或 WSL，也可以安装像 Xshell、MobaXterm 这样的SSH客户端）。
连接命令非常简单：
ssh root@你的公网IP例如，你的IP是123.123.123.123，那么命令就是：
ssh root@123.123.123.123回车后，系统会提示你输入密码。注意，输入密码时，光标不会移动，也不会显示星号，这是正常现象，你只管输完按回车就行。
第一次连接时，可能会看到一个关于“主机密钥”的确认提示，输入yes确认即可。
成功登录后，命令行提示符会从你本机的用户名变成root@实例名的样子，这表示你已经进入了远程的Ubuntu服务器内部。
2.2 验证基础环境
星图的镜像通常已经为你安装好了Python、CUDA（GPU驱动）等基础环境。我们可以快速检查一下：
# 检查Python版本，GLM-OCR通常需要Python 3.8及以上 python3 --version # 检查pip包管理工具是否可用 pip3 --version # 检查GPU是否可用（如果镜像预装了PyTorch等深度学习框架） python3 -c "import torch; print(torch.cuda.is_available())"如果最后一条命令返回True，那么恭喜你，GPU环境是就绪的。如果返回False或者报错，可能需要检查一下CUDA驱动，不过正规的GPU镜像一般不会出现这个问题。
3. 第三步：部署与测试GLM-OCR模型
环境没问题，现在我们来安装GLM-OCR并运行一个最简单的测试。
3.1 安装GLM-OCR
GLM-OCR通常可以通过pip直接安装。在服务器的命令行中执行：
pip3 install glm-ocr这个命令会从Python的官方软件仓库下载GLM-OCR及其所有依赖包（比如PyTorch、OpenCV等）。安装过程可能需要几分钟，取决于网络速度。
常见网络问题解决： 如果下载速度很慢或者超时，可能是因为默认的软件源在国外。我们可以临时切换为国内的镜像源来加速，比如清华源：
pip3 install glm-ocr -i https://pypi.tuna.tsinghua.edu.cn/simple3.2 编写并运行测试脚本
安装成功后，我们创建一个Python脚本来测试它。首先，创建一个新的工作目录并进入：
mkdir glm-ocr-test && cd glm-ocr-test然后，使用vim或nano编辑器创建一个Python文件，比如叫test_ocr.py。这里我用nano举例，因为它对新手更友好：
nano test_ocr.py在打开的编辑器里，粘贴以下代码：
# test_ocr.py from glm_ocr import GLMOCR import cv2 # 1. 初始化识别器 print("正在初始化GLM-OCR识别器...") recognizer = GLMOCR() # 2. 准备一张测试图片 # 这里我们假设图片名为 'test_image.jpg'，并且放在当前目录下。 # 你可以通过任何方式（如wget下载、本地上传）准备一张包含文字的图片。 image_path = 'test_image.jpg' # 3. 使用OpenCV读取图片 image = cv2.imread(image_path) if image is None: print(f"错误：无法读取图片 '{image_path}'，请检查文件路径。") exit() # 4. 进行文字识别 print(f"开始识别图片: {image_path}") results = recognizer.recognize(image) # 5. 打印识别结果 print("\n=== 识别结果 ===") for i, result in enumerate(results): # result 通常包含文本内容(text)和其在图片中的位置信息(box) text = result.get('text', '') print(f"区域 {i+1}: {text}") print("=== 识别完成 ===")按Ctrl+O保存文件，再按Enter确认文件名，最后按Ctrl+X退出编辑器。
3.3 准备测试图片并运行脚本
现在我们需要一张包含文字的图片。一个简单的方法是直接从网上下载一张示例图片。在服务器终端里使用wget命令：
# 示例：下载一张包含英文的简单图片（请确保链接可用） wget -O test_image.jpg https://raw.githubusercontent.com/example/some-repo/main/sample_text_image.jpg请注意：上面的链接只是一个示例，你需要替换为一个真实存在的、包含清晰文字的图片URL。或者，你也可以通过SFTP工具（如FileZilla）将你本地电脑上的图片上传到服务器的glm-ocr-test目录下，并确保文件名为test_image.jpg。
万事俱备，运行我们的测试脚本：
python3 test_ocr.py如果一切顺利，你将看到终端输出“正在初始化GLM-OCR识别器...”，然后开始识别，最后打印出图片中识别到的所有文字区域和内容。
3.4 理解输出与下一步
第一次运行，模型可能需要下载预训练的权重文件，这会花费一些时间，请耐心等待。成功后，你看到的results是一个列表，里面的每个元素对应图片中识别到的一个文字区域，包含了识别出的文本和它的坐标框。
这个最简单的脚本展示了核心流程：初始化模型、读图、识别、输出。在此基础上，你可以：
- 尝试识别更复杂的中文、英文混合图片。
- 处理整个文件夹的图片进行批量识别。
- 将识别出的文本和坐标信息保存到文件（如JSON或TXT）中。
- 结合其他库（如PIL, matplotlib）将识别框画在图片上可视化。
4. 总结
走完这三步，你应该已经成功在Ubuntu服务器上部署了GLM-OCR，并且完成了第一次图片文字识别。回顾一下，关键就是三个动作：找对带GPU的镜像、用SSH连上去、安装模型并跑通测试代码。
整个过程最可能卡住的地方往往是第一步的环境选择和最后一步的网络依赖下载。只要按照教程里提到的方法，选择GPU实例、遇到下载慢就换国内源，基本都能顺利解决。
GLM-OCR的能力远不止于此，它对于印刷体、部分手写体、复杂背景下的文字都有不错的识别效果。接下来，你可以多找些不同类型的图片试试，感受一下它的能力边界。也可以去看看官方文档，了解更高级的配置参数和调用方式，把它集成到你自己的项目里去。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。